nutch正文提取分析

nutch中使用的是插件来进行正文提取的，在nutch的源代码中找不到正文提取的源代码。只有在plugins中才有正文提取模块。

plugins中调用的是org.w3c.dom的包来进行正文提取的。这是一个用来解析xml的包。 html是xml的一个子集，自然也可以拿它来分析。

首先，介绍下什么是dom.

DOM stans for Document Object Model.

The DOM presents an HTML document as a tree-structure (a node tree), with elements, attributes, and text.

 

 然后是SAX.

SAX, the Simple API for XML, is a standard interface for event-based XML parsing, developed collaboratively by the members of the XML-DEV mailing list, currently hosted by OASIS.

 (未完待续，等有时间补上。。。)